时序网络中通过挖掘邻域与社区影响的归纳式表示学习
社会与信息网络
2023-06-02 v3 人工智能
摘要
网络表示学习旨在为网络中每个节点生成嵌入，以便于节点分类和链接预测等下游机器学习任务。当前工作主要关注转导式网络表示学习，即生成固定节点嵌入，这不适合实际应用。因此，我们提出一种名为 MNCI 的新归纳式网络表示学习方法，通过挖掘时序网络中的邻域与社区影响。我们提出一个聚合函数，将邻域影响与社区影响相整合，以在任意时刻生成节点嵌入。我们在多个真实世界数据集上进行了广泛实验，并在包括节点分类和网络可视化在内的多种任务上将 MNCI 与几种最先进的基线方法进行比较。实验结果表明 MNCI 取得了优于基线的性能。
引用
@article{arxiv.2110.00267,
title = {Inductive Representation Learning in Temporal Networks via Mining Neighborhood and Community Influences},
author = {Meng Liu and Yong Liu},
journal= {arXiv preprint arXiv:2110.00267},
year = {2023}
}